多粒度决策系统作为一类重要的关系型数据库,受到了相关领域研究人员的青睐,并成为一个研究热点。然而在实际应用中,数据会随着时间的变化而动态更新,如何从对象批量更新的海量数据中,通过最优粒度的发现与优化,发现有用的知识、进行高效的数据挖掘是多粒度决策系统研究的重要课题之一。本文以粒计算思想和粗糙集理论为基础,定义了多粒度决策系统的三种协调性(完全协调、部分协调和完全不协调),以及它们的最优粒度和规则提取方法,讨论了在对象批量更新下的最优粒度和提取规则的变化规律,并通过数据集验证了这些方法的可行性。主要创新点如下:(1)提出了多粒度决策系统的三种协调性;(2)给出了多粒度决策系统的最优粒度和对象最优粒度,并分析了二者的关系;(3)讨论了对象批量更新环境下的多粒度决策系统的最优粒度和提取规则。